通过深层特征锚定的偏好优化打破流式目标说话人提取的质量与可懂度权衡

论文指出，流式目标说话人提取中的质量—可懂度冲突主要源于错误的优化锚点，而非流式架构本身。作者扩大Conformer卷积核，并以WavLM余弦相似度构造DPO偏好对。在560毫秒分块下，词错误率由0.138降至0.123，相对可懂度提升10.9%，音质与说话人相似度也略有改善。